AI-система визуального контроля качества продуктов питания

AI-визуальный контроль качества продуктов питания

На производственной линии гнилое яблоко в партии премиум-сорта может остаться незамеченным — человеческий глаз устаёт, внимание падает к концу смены. Мы ставим машинное зрение на базе computer vision и YOLOv8, которое инспектирует каждый продукт 24/7 без скидок на усталость. Автоматизированный визуальный контроль снижает количество ошибочно пропущенных дефектов на 80% и сокращает долю ручного труда до минимума. Система использует три камеры (верх + два бока) для многоракурсной съёмки, что критично для дефектов вроде ушибов яблок, видимых только под определённым углом. Точность детекции — до 98% для типовых дефектов. Окупаемость системы — от 6 до 12 месяцев при производительности от 5 тонн в смену.

Основные сложности визуального контроля

Освещение — ключевой фактор. Ушиб яблока виден только при определённом угле света. Решение — многоракурсная съёмка (3–4 камеры) или поляризованный свет, который подавляет блики. Без правильного освещения модель не отличит свежий плод от битого.

Субъективный стандарт. Оценка свежести рыбы по цвету жабр или прозрачности глаз требует обученной модели на узких признаках. Мы используем мультиспектральные камеры (NIR) для мяса и птицы — в ближнем ИК диапазоне кровоподтёки видны вне зависимости от цвета кожи.

Скорость конвейера. При скорости 0.3 м/с и ширине ленты 1.2 м нужно обработать кадр за 15–20 мс. На Jetson Orin мы укладываемся в 12 мс для 720p — с детекцией YOLOv8m и цветовой проверкой.

Как AI справляется с вариациями освещения?

Модель обучается на синтетически изменённых изображениях: добавление шума, изменение яркости, контраста, имитация разных источников света. Также применяется адаптивная нормализация гистограммы перед инференсом. В production-системе мы фиксируем калибровку освещения и мониторим отклонения через спектрофотометр.

Почему точность зависит от размера датасета?

Модель должна видеть все вариации дефекта: разный размер, ориентацию, освещение. На 4200 изображениях яблок (3 сорта) мы достигли recall 98.7% по гнили. Если датасет меньше 2000, модель переобучается и плохо обобщает. Оптимальный объём — 3000–5000 размеченных кадров на продукт.

Типичные задачи и методы

import cv2 import numpy as np from ultralytics import YOLO import segmentation_models_pytorch as smp import torch from PIL import Image class FoodQualityInspector: def __init__(self, config: dict): self.detector = YOLO(config['detection_model']) self.seg_model = smp.Unet( encoder_name='efficientnet-b3', classes=3, # good, defect, background activation='softmax2d' ) seg_ckpt = torch.load(config['seg_model']) self.seg_model.load_state_dict(seg_ckpt) self.seg_model.eval() self.color_standards = config.get('color_standards', {}) self.defect_area_threshold = config.get('max_defect_ratio', 0.03) def inspect(self, image: np.ndarray, product_type: str) -> dict: result = { 'product_type': product_type, 'passed': True, 'defects': [], 'grade': 'A' } det_results = self.detector(image, conf=0.4) defect_area_total = 0 for box in det_results[0].boxes: cls = self.detector.model.names[int(box.cls)] bbox = list(map(int, box.xyxy[0])) area = ((bbox[2]-bbox[0]) * (bbox[3]-bbox[1])) img_area = image.shape[0] * image.shape[1] defect = { 'type': cls, 'bbox': bbox, 'area_ratio': area / img_area, 'confidence': float(box.conf) } result['defects'].append(defect) defect_area_total += area / img_area if product_type in self.color_standards: color_result = self._color_check(image, product_type) result['color_analysis'] = color_result if not color_result['in_range']: result['defects'].append({ 'type': 'color_deviation', 'deviation': color_result['deviation'] }) critical_defects = [d for d in result['defects'] if d['type'] in ['mold', 'rot', 'foreign_object']] if critical_defects: result['passed'] = False result['grade'] = 'REJECT' elif defect_area_total > self.defect_area_threshold: result['grade'] = 'C' elif result['defects']: result['grade'] = 'B' return result def _color_check(self, image: np.ndarray, product_type: str) -> dict: hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV) standard = self.color_standards[product_type] lower = np.array(standard['hsv_lower']) upper = np.array(standard['hsv_upper']) mask = cv2.inRange(hsv, lower, upper) in_range_ratio = mask.sum() / 255 / mask.size return { 'in_range': in_range_ratio > standard.get('min_ratio', 0.6), 'ratio': float(in_range_ratio), 'deviation': float(1 - in_range_ratio) } 

Специфика по категориям продуктов

Фрукты и овощи

Основные дефекты — гниль, ушибы, трещины, посторонние включения. Ключевая сложность — ушиб яблока виден только при определённом освещении. Решение: многоракурсная съёмка (3–4 камеры) или поляризованный свет.

Мясо и птица

Кровоподтёки, загрязнения, неполная разделка. Мультиспектральная камера (NIR диапазон) лучше стандартного RGB для обнаружения кровоподтёков.

Хлеб и выпечка

Трещины корки, посторонние включения, недопёк. Задача высококонтрастная — работает хорошо.

Рыба

Свежесть определяется по цвету жабр, прозрачности глаз. Требует обученной модели на специфических признаках.

Сравнение методов детекции по продуктам

Кейс: линия сортировки яблок, 8 т/час (из нашей практики)

Конвейерная лента 1.2м шириной, скорость 0.3 м/с, 3 камеры (верх + 2 боковых). Задача — сортировка на 3 категории: Premium (нет дефектов), Standard (мелкие), Juice (крупные дефекты).

• Модель: YOLOv8m, дообученный на 4200 изображениях яблок (3 сорта)
• Классы: bruise, rot_spot, scar, crack, size_small, size_large
• Производительность: обработка 1 кадра 720p за 12ms на Jetson Orin

Результаты после 2 недель эксплуатации:

• Точность классификации Premium/Standard: 96.2%
• Точность обнаружения гнили (recall): 98.7%
• Потери от неправильной сортировки снизились на 68% vs. ручной контроль (экономия до $14k–20k в месяц)

Что входит в работу: доставка "под ключ"

1. Аудит производственной линии — оценка освещения, скорости конвейера, доступного места
2. Сбор и разметка датасета — от 2000 изображений с аннотациями дефектов
3. Обучение модели — YOLOv8, EfficientNet или Transformer-based архитектура (выбор зависит от требований по скорости и точности)
4. Инференс-инжиниринг — оптимизация для запуска на Jetson, GPU-сервере или облаке (Triton, ONNX)
5. Интеграция с конвейером — синхронизация камер, пульсация сортировщиков, протоколы OPC UA/Modbus
6. Документация и обучение операторов — инструкции, регламенты, дашборд
7. Гарантия — 6 месяцев поддержки модели (дообучение при появлении нового дефекта)

Сроки разработки

Консультация и пилотный проект

Для оценки вашего проекта свяжитесь с нами — проведём бесплатный аудит линии и предложим решение под ваш бюджет и сроки. Закажите пилотный проект на две недели, чтобы увидеть точность на своей продукции. Получите консультацию по внедрению AI-инспекции на вашей линии.

Наш опыт: 10 внедрённых систем в пищевой промышленности, сертификаты на соответствие ISO 9001 и HACCP.